我对Keras与其他TF包装（如Tensorpack）的培训性能有疑问。TF包装：Keras与Tensorpack的性能
在a Q&A session，Keras的作者说，包装内附送的性能没有影响：
Keras能够构建一个简单，快捷的方式，并在TensorFlow火车模型，在性能没有影响，因为该机型仍然由相同的TensorFlow引擎运行。
在另一方面虽然，Tensorpack github声称它比Keras快2倍，即使一个小小的CNN：
Tensorpack教练几乎总是比基于feed_dict包装速度更快。即使在一个微小的CNN例子中，训练运行速度比同等Keras代码快两倍。
所以现在我想知道以下几点：谁是对的？ 对于我来说，训练中两个因素是非常重要的。
我的初步答案显然是错误的，但我不能删除它，因为它是被接受的答案。见@ppwwyyxx's answer。
感谢您链接到PR！很高兴知道这个问题是已知的。所以就我所知，用numpy数组开销的Python是个问题。理想情况下，Keras支持原生TF张量输入，可以在C++中执行，而不是在每个训练步骤中使用py - > C。 如上所述，我的数据输入由数百个带有11x13x18x50分档的GB组成，目前我正在使用hdf5作为数据格式。不知道如果TFRecords会产生更好的性能。 – 0vbb
@ 0vbb我自己对TFRecords没有多少经验，但我的印象是，他们的好处在更大的投入下更明显，所以我猜你的情况可能是一个很好的尝试。但是，我不认为如果你能获得显着的收益，事先就没有可靠的办法。 – jdehesa
你们看着错误的一点！性能差异来自聪明，高效和并行预取vs feed_dict。在tensorpack中，您可以轻松使用所有CPU准备数据，以确保每个更新步骤都有训练数据可用，几乎没有延迟。所以这个答案肯定是错误的和误导的。 – Patwie
我是tensorpack的作者。 主要性能改进的原因在文档的输入管道页面中进行了总结：http://tensorpack.readthedocs.io/en/latest/tutorial/input-source.html 这些参数适用于单GPU训练案例。对于多GPU培训，我们有更多的性能改进来匹配Google的基准代码。
@jdehesa的回答是不正确的，我们从来没有使用TFRecord来读取数据（尽管它能够这样做，我没有看到太多优势）。你可以通过纯Python读取所有内容并获得这个速度。另外，2x加速可能有点过时，我知道Keras一直在减少框架开销方面进行了改进。
你自己试过吗？ –
是的，我一直在使用Keras（虽然从未使用过Tensorpack）。我只关心性能，因为我有4D数据集，数百GB，一个'图像'是11x13x18x50。目前，我在单个节点中使用Keras TF后端和4个GTX1080（现在多节点不能很好地扩展）。 – 0vbb